博士研究者的文献 + 复现代码包

这个 pack 包含什么

这是给已经过了「跟 ChatGPT 聊一聊我的研究方向」阶段、进入真正硬核工作的博士生 / 博士后的工具栈：(a) 认真读 200 篇 paper，(b) 追踪谁引用了谁，(c) 真把作者放出来的代码跑通，(d) 最后写出能在答辩台上守住的东西。每个 pick 都开源、活跃维护、在 pipeline 里占一个明确的位置。

这套 pack 的态度是：拒绝假装 AI 能替你读 methodology。AI 在以下环节进入循环 — 文献分诊、PDF 清洗、初步摘要、复现代码 debug、写作起草。但博士如果不真读 methods，答辩日子不会好过。工具的排布刻意让 AI 不挡在你和论文之间，只在周围打辅助。

推荐安装顺序

1. Zotero — 文献管理。博士第一天就装。浏览器插件一键抓 metadata + PDF，按 collection 归档，多设备同步，导出 BibTeX。如果从第一周就没建好引用的「唯一真相源」，第 36 个月一定还。
2. arXiv MCP Server — 从 Claude / Cursor / 任何支持 MCP 的客户端里直接查 arXiv。搜索、抓 metadata 和全文、用一个 tool call 把论文喂给模型。替代「开浏览器 → 搜 → 复制 DOI → 粘回去」的循环。
3. GPT Researcher — 自主文献综述 agent。给一句 query（「transformer scaling laws compute-optimal training」），它去多个来源搜，综合发现，引用参考，输出一份草稿 survey。当作陌生子领域的第一张地图用 — 绝对不当作最终引用列表。
4. Claude Code Agent: Academic Researcher — 一个为学术工作流调优的 Claude Code subagent：结构化阅读论文、提取 methodology、遍历引用图。住在你的 Claude Code 项目里，prompt 和约定跟论文仓一起被版本控制。
5. Marker — PDF → 干净 Markdown 转换器。AI 辅助阅读的最大 unlock。Marker 能处理数学、表格、图、多栏布局。一篇 40 页 paper 转一次 Markdown，之后任何 LLM 都能干净 ingest，OCR 噪音不会把 methodology 啃掉。
6. Nougat — Meta 出的神经 OCR，专门在学术文档上训练。Marker 快而通用，Nougat 是公式密集论文（理论 ML、物理、数学）的重型选手。LaTeX-aware 输出。Marker 把关键证明搞糊时换 Nougat。
7. JupyterLab — 真正跑论文代码、改代码、画变体、复核 claim 的 notebook IDE。多文档工作区、终端、文件浏览器。复现到底成不成功就在这里见分晓。
8. Papermill — 命令行参数化执行 notebook。当你要把论文的超参在 12 个设置上 sweep 一遍、验证 headline 那张图不是单一 seed 的意外，这是关键工具。配 JupyterLab 做生产级实验跑。
9. Overleaf（自托管） — 协作 LaTeX。真正写论文的地方。自托管版本让未发表的论文不出第三方服务器，对有严格 IP / embargo 规则的领域很重要。BibTeX 直接从 Zotero 流进来。
10. AI Scientist — Sakana AI 的端到端论文自动生成系统。不是用来生成你真正的论文（千万别），是看 AI 辅助科研写作前沿能力到哪一步的一份很有意思的参考，也是用来给 ablation 实验生成可重度编辑的初稿的实用工具。

它们怎么协同（研究工作流）

  文献检索
  ┌────────────────────────────────────┐
  │ arXiv MCP ──► GPT Researcher       │
  │  （精准）       （广度地图）         │
  └─────────────────┬──────────────────┘
                    ▼
         ┌───────────────────┐
         │  Zotero（真相源） │  ◄── BibTeX 出到 Overleaf
         │  collection +     │
         │  附 PDF           │
         └─────────┬─────────┘
                   ▼
   PDF 解析 ┌─────────────────┐
            │ Marker（快）    │
            │ Nougat（公式）  │
            └────────┬────────┘
                     ▼ 干净 markdown
        ┌─────────────────────────┐
        │ Academic Researcher     │
        │ Claude Code agent       │ ── 摘要、引用图、空白点
        └──────────┬──────────────┘
                   ▼
         复现代码
         ┌───────────────────┐
         │ JupyterLab        │
         │   + Papermill     │ ── seed sweep、ablation
         └────────┬──────────┘
                  ▼
            写作
         ┌───────────────────┐
         │ Overleaf          │  ◄── Zotero 喂引用
         │ + AI Scientist    │      （只用初稿 — 你来写）
         └───────────────────┘

脊椎是 Zotero 作为「你读过什么」的唯一真相源。上游所有东西喂 Zotero，下游所有东西从 Zotero 读。没这个纪律，整条 pipeline 会腐化成 4000 个浏览器 tab 加一本你自己都复现不了的论文。

你会遇到的取舍

• AI 摘要 vs 真读 — 这套 pack 最大的风险。GPT Researcher 和 Academic Researcher agent 能在 30 秒内把一篇论文摘要完。这个摘要够你判断要不要读这篇论文，但当作 methodology 的替代品就极其危险。硬规矩：博士论文里引用的 paper，methods 部分必须自己读完。AI 只用于分诊，不用于「凭感觉引用」。
• 复现的天花板 — Papermill + JupyterLab 让你能干净跑作者放出来的代码，但很多论文放的代码早就跑不动了（依赖死了、weights 丢了、CUDA 版本不对）。给环境考古留时间。一切用 conda env export 锁死。如果某篇论文的 claim 在 rerun 时崩了，这值得在论文里写一条 footnote。
• Marker vs Nougat — Marker 更快、表格处理得好；Nougat 更慢但能真正解析 LaTeX 公式。先跑 Marker；公式才是重点时再上 Nougat。
• 自托管 Overleaf vs SaaS 版 — SaaS 版方便，但你的草稿在别人机器上。自托管在学校集群（或者就一个 Docker 容器）是未发表工作的正确选择。代价是一个下午的搭建。
• AI Scientist 当工具不当目标 — 用 AI 端到端生成论文学术上和伦理上都很危险。把它当作「AI 能到什么程度」的参考架构、当作 ablation 表格的初稿生成器 — 永远不当作绕过真正科学贡献的捷径。

常见踩坑

• 过度信任 AI 对 methodology 的摘要 — 摘要必然压缩；methodology 的细节（loss 公式、正则化、数据切分）正是被压缩掉的东西。审稿人偏偏就问这些被砍掉的细节。读 methods。
• Zotero PDF 散在各设备 — 第一天就打开 WebDAV / 自己的同步目标。读博第 3 年发现一半带批注的 PDF 只在一台死了的笔记本上 — 经典博士恐怖故事。
• 只看 notebook 就说复现 — 论文的 figure_3.ipynb 可能端到端能跑，但跳过了真正的训练。先看 notebook 干了什么，再宣布「复现成功」。
• 只在 arXiv 找文献 — arXiv 快，但偏向 ML / 物理 / 数学。生物、社科、人文大部分文献住在期刊里、只能通过学校权限读。arXiv MCP 用于 arXiv 覆盖的部分，别当万能源。
• BibTeX 条目重复 — Zotero 不阻止你在 arXiv 版和期刊版都点连接器，结果同一篇 paper 两条略不同的 metadata 进库。每章交接前跑一次去重。